基于BP神經(jīng)網(wǎng)絡(luò)的全員勞動(dòng)生產(chǎn)率預(yù)測(cè)分析

摘 要：全員勞動(dòng)生產(chǎn)率是一個(gè)反映企業(yè)發(fā)展質(zhì)量、體現(xiàn)企業(yè)經(jīng)營(yíng)效益的綜合指標(biāo)，是企業(yè)生產(chǎn)技術(shù)水平、經(jīng)營(yíng)管理水平、職工技術(shù)熟練程度和勞動(dòng)積極性的綜合表現(xiàn)。BP神經(jīng)網(wǎng)絡(luò)是現(xiàn)今使用較為廣泛的神經(jīng)網(wǎng)絡(luò)模型，其能對(duì)時(shí)間序列數(shù)據(jù)組進(jìn)行較為準(zhǔn)確的預(yù)測(cè)。基于此，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)未來(lái)5年新鄉(xiāng)車(chē)務(wù)段編組、區(qū)段站運(yùn)轉(zhuǎn)人員勞動(dòng)生產(chǎn)率進(jìn)行預(yù)測(cè)分析，以便對(duì)企業(yè)進(jìn)行精益化管理。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；新鄉(xiāng)車(chē)務(wù)段；全員勞動(dòng)生產(chǎn)率

中圖分類(lèi)號(hào)：G976.7 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1000—8772（2012）13—0121—02

全員勞動(dòng)生產(chǎn)率的概念是基于勞動(dòng)生產(chǎn)率發(fā)展而來(lái)的，其根據(jù)產(chǎn)品的價(jià)值量指標(biāo)計(jì)算的平均每一個(gè)從業(yè)人員在單位時(shí)間內(nèi)的產(chǎn)品生產(chǎn)量，是企業(yè)考察企業(yè)整體或者單個(gè)生產(chǎn)部門(mén)的重要參數(shù)指標(biāo)。其計(jì)算公式為：全員勞動(dòng)生產(chǎn)率=■。

在本文當(dāng)中，筆者在對(duì)新鄉(xiāng)車(chē)務(wù)段編組、區(qū)段站運(yùn)轉(zhuǎn)人員勞動(dòng)生產(chǎn)率進(jìn)行計(jì)算時(shí)，是按照鄭州鐵路局給定的統(tǒng)計(jì)計(jì)算公式計(jì)算得出的換算工作量/新鄉(xiāng)車(chē)務(wù)段編組、區(qū)段站運(yùn)轉(zhuǎn)從業(yè)人員得出的2006年至2011年運(yùn)轉(zhuǎn)人員全員勞動(dòng)生產(chǎn)率。

新鄉(xiāng)車(chē)務(wù)段是鄭州鐵路局下屬的豫北地區(qū)重要的運(yùn)輸生產(chǎn)單位，擔(dān)負(fù)著豫北及山東6市14縣的鐵路運(yùn)輸生產(chǎn)任務(wù)。而運(yùn)轉(zhuǎn)工作又是車(chē)務(wù)段工作中的重頭戲，其換算工作量占了全段換算工作量中的絕大部分。所以對(duì)新鄉(xiāng)車(chē)務(wù)段編組、區(qū)段站運(yùn)轉(zhuǎn)人員勞動(dòng)生產(chǎn)率進(jìn)行有效的分析、預(yù)測(cè)有助于企業(yè)轉(zhuǎn)變管理模式、優(yōu)化人員配置，提高全段精益化管理程度。

BP （Back Propagation）神經(jīng)網(wǎng)絡(luò)，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入—輸出模式映射關(guān)系，而無(wú)須事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層（hide layer）和輸出層（output layer）。

本文采用3層網(wǎng)絡(luò)模式對(duì)新鄉(xiāng)車(chē)務(wù)段編組、區(qū)段站運(yùn)轉(zhuǎn)人員全員勞動(dòng)生產(chǎn)率進(jìn)行模擬預(yù)測(cè)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1：

BP網(wǎng)絡(luò)學(xué)習(xí)過(guò)程及步驟如下：

（1）初始化。給每個(gè)連接權(quán)值wij、vjt、閾值θj、γt賦予區(qū)間（—1，1）內(nèi)的隨機(jī)值。

（2）隨機(jī)選取一組輸入和目標(biāo)樣本■、■給網(wǎng)絡(luò)。

（3）用輸入樣本■、連接wij和θj閾值計(jì)算中間層各單元的輸入sj，然后用sj通過(guò)傳遞函數(shù)計(jì)算中間層各單元的輸出bj。

■，■；■，■

（4）利用中間層的輸出bj、連接權(quán)vjt和γt閾值計(jì)算輸出層各單元的輸出Lt，然后通過(guò)傳遞函數(shù)計(jì)算輸出層各單元的響應(yīng)Ct。

■，■；■，■

（5）利用網(wǎng)絡(luò)目標(biāo)向量■，網(wǎng)絡(luò)實(shí)際輸出Ct，計(jì)算輸出層的各單元一般化誤差dkt。

■

（6）利用連接權(quán)vjt、輸出層的一般化誤差dkt和中間層的輸出bj計(jì)算中間層各單元的一般化誤差■

（7）利用輸出層各單元的一般化誤差dkt與中間層各單元輸出bj來(lái)修正連接權(quán)vjt和閾值γt。

■

（8）利用中間層各單元的一般化誤差ekj，輸入層各單元的輸入■來(lái)修正連接權(quán)wij和閾值θj。

■

（9）隨機(jī)選取下一個(gè)學(xué)習(xí)樣本向量提供給網(wǎng)絡(luò)，返回到步驟（3），直到m個(gè)訓(xùn)練樣本訓(xùn)練完畢。

（10）重新從m各學(xué)習(xí)樣本中隨機(jī)選取一組輸入和目標(biāo)樣本，返回步驟（3），直到網(wǎng)絡(luò)全局誤差E小于預(yù)先設(shè)定的一個(gè)極小值，即網(wǎng)絡(luò)收斂。如果學(xué)習(xí)次數(shù)大于預(yù)先設(shè)定的值，網(wǎng)絡(luò)就無(wú)法收斂，學(xué)習(xí)結(jié)束。

可以看出，在以上的學(xué)習(xí)步驟中，（7）—（8）步為網(wǎng)絡(luò)誤差的“逆?zhèn)鞑ミ^(guò)程”，（1）—（10）步則用于完成訓(xùn)練和收斂過(guò)程。

基于以上，依據(jù)2006年到2011年的新鄉(xiāng)車(chē)務(wù)段編組、區(qū)段站運(yùn)轉(zhuǎn)人員全員勞動(dòng)生產(chǎn)率的歷史數(shù)據(jù)（如表1所示），對(duì)新鄉(xiāng)車(chē)務(wù)段編組、區(qū)段站2012年到2016年的運(yùn)轉(zhuǎn)人員全員勞動(dòng)生產(chǎn)率進(jìn)行預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)選取三個(gè)，即運(yùn)轉(zhuǎn)人員全員勞動(dòng)生產(chǎn)率連續(xù)三年值，神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出值是第四年的運(yùn)轉(zhuǎn)人員全員勞動(dòng)生產(chǎn)率，每三年作為一個(gè)樣本，依次進(jìn)行，并對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試，檢驗(yàn)預(yù)測(cè)精度。

資料來(lái)源：鄭州鐵路局鐵路運(yùn)輸站段勞動(dòng)生產(chǎn)率統(tǒng)計(jì)表2006—2011年

在基于時(shí)間序列的BP神經(jīng)網(wǎng)絡(luò)中最佳的隱層神經(jīng)元個(gè)數(shù)比較難確定，也沒(méi)有一個(gè)特定的標(biāo)準(zhǔn)。當(dāng)前的理論可以證明，在隱層節(jié)點(diǎn)數(shù)足夠的情況下，三層BP網(wǎng)絡(luò)具有模擬任何非線性映射的能力。本文采用三層BP神經(jīng)網(wǎng)絡(luò)，隱層節(jié)點(diǎn)數(shù)采用經(jīng)驗(yàn)公式與試算法確定為3到6個(gè)。

Matlab程序代碼如下：對(duì)建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到的誤差如圖2：

s=3：6

res=1：4； %

for i=1：4； %

net=newff（minmax（P），[s（i），3]，

{'tansig'，'purelin'}，'trainlm'）； %

net.trainparam.epochs=1000； %

net.trainparam.goal=0.001； %

lp.lr=1；

net=train（net，P，T）； %

y=sim（net，P）；

error=y—T；

res（i）=norm（error）；

end %

對(duì)訓(xùn)練好的網(wǎng)絡(luò)，將處理后的運(yùn)轉(zhuǎn)人員全員勞動(dòng)生產(chǎn)率的數(shù)據(jù)樣本作為網(wǎng)絡(luò)輸入進(jìn)行測(cè)試，得到擬合誤差數(shù)據(jù)表見(jiàn)表2：

通過(guò)表2，可以看到測(cè)試樣本的誤差精度都小于3%，比較高，筆者用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)未來(lái)5年的運(yùn)轉(zhuǎn)人員勞動(dòng)生產(chǎn)率進(jìn)行預(yù)測(cè)，預(yù)測(cè)如表3和圖3所示。

可以看出未來(lái)五年新鄉(xiāng)車(chē)務(wù)段編組、區(qū)段運(yùn)轉(zhuǎn)人員全員勞動(dòng)生產(chǎn)率基本都維持在110以上的較高水平。

（責(zé)任編輯：陳喜輝）